(特价书)机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）
“美亚”人工智能图书畅销榜首图书，基于TensorFlow 2和Scikit-Learn的新版本全面升级,Keras之父和TensorFlow移动端负责人鼎力推荐
基本信息
- 作者： [法] 奥雷利安·杰龙（Aurélien Géron）
- 丛书名： O’Reilly精品图书系列
- 出版社：机械工业出版社
- ISBN：9787111665977
- 上架时间：2020-12-16
- 出版日期：2020 年9月
- 开本：16开
- 页码：691
- 版次：1-1
- 所属分类：计算机 > 人工智能 > 神经计算
编辑推荐
适读人群 ：1、机器学习、深度学习从业者； 2、机器学习或者深度学习算法工程师； 3、从初级到高级的各级学生、教师、研究人员； 4、其他对机器学习和Scikit-Learn、Keras、TensorFlow感兴趣的人员
点击查看第一版
1）“美亚”人工智能图书畅销榜首图书，基于TensorFlow 2和Scikit-Learn的新版本全面升级；
2）Keras之父和TensorFlow移动端负责人鼎力推荐；
3）从实践出发，通过具体的示例、较少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具；
4）实用性强。没有太多复杂的数学公式推导，每章都附有练习题和代码，可以帮助你应用所学的知识。
内容简介
作译者
[法] 奥雷利安·杰龙（Aurélien Géron）著：随着一系列的突破，深度学习点燃了整个机器学习领域。 现在，即使是对这项技术毫无基础的程序员，也可以使用简单高效的工具来实现“可以自动从数据中学习”的程序。本书将展示如何做到这一点。
通过具体的例子、非常少的理论和两个产品级的Python框架——Scikit-learn 和 TensorFlow 。作者帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术，从简单的线性回归开始到深度神经网络等。每章都有习题来帮助你应用学到的知识，你所需要的只是一点编程经验，仅此而已。
- 探索机器学习的全景图，特别是神经网络。
- 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。
- 探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法。
- 使用TensorFlow库建立和训练神经网络。
- 深入神经网络架构，包括卷积网络、递归网络和深度强化学习。
- 学习训练和伸缩深度神经网络的技巧。
- 应用可以工作的代码示例，而无须过多的机器学习理论或算法细节。
本书是关于使用神经网络来解决问题的理论和实践的一本优秀导论。它涵盖了你建立高效应用的关键点，以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。
- Pete Warden
- TensorFlow移动端负责人
Aurelien Geron是机器学习方面的顾问。他是Google的前员工，在2013年到2016年领导过YouTube视频分类团队。2002年至2012年，他还是Wifirst公司的创始人和首席技术官，在2001年，他是Ployconseil公司的创始人和首席技术官。
通过具体的例子、非常少的理论和两个产品级的Python框架——Scikit-learn 和 TensorFlow 。作者帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术，从简单的线性回归开始到深度神经网络等。每章都有习题来帮助你应用学到的知识，你所需要的只是一点编程经验，仅此而已。
- 探索机器学习的全景图，特别是神经网络。
- 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。
- 探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法。
- 使用TensorFlow库建立和训练神经网络。
- 深入神经网络架构，包括卷积网络、递归网络和深度强化学习。
- 学习训练和伸缩深度神经网络的技巧。
- 应用可以工作的代码示例，而无须过多的机器学习理论或算法细节。
本书是关于使用神经网络来解决问题的理论和实践的一本优秀导论。它涵盖了你建立高效应用的关键点，以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。
- Pete Warden
- TensorFlow移动端负责人
Aurelien Geron是机器学习方面的顾问。他是Google的前员工，在2013年到2016年领导过YouTube视频分类团队。2002年至2012年，他还是Wifirst公司的创始人和首席技术官，在2001年，他是Ployconseil公司的创始人和首席技术官。
目录
前言1
第一部分 机器学习的基础知识11
第1章 机器学习概览13
1.1 什么是机器学习14
1.2 为什么使用机器学习14
1.3 机器学习的应用示例16
1.4 机器学习系统的类型18
1.5 机器学习的主要挑战32
1.6 测试与验证38
1.7 练习题40
第2章 端到端的机器学习项目42
2.1 使用真实数据42
2.2 观察大局44
2.3 获取数据48
2.4 从数据探索和可视化中获得洞见60
2.5 机器学习算法的数据准备66
2.6 选择和训练模型74
2.7 微调模型77
2.8 启动、监控和维护你的系统82
2.9 试试看84
第一部分 机器学习的基础知识11
第1章 机器学习概览13
1.1 什么是机器学习14
1.2 为什么使用机器学习14
1.3 机器学习的应用示例16
1.4 机器学习系统的类型18
1.5 机器学习的主要挑战32
1.6 测试与验证38
1.7 练习题40
第2章 端到端的机器学习项目42
2.1 使用真实数据42
2.2 观察大局44
2.3 获取数据48
2.4 从数据探索和可视化中获得洞见60
2.5 机器学习算法的数据准备66
2.6 选择和训练模型74
2.7 微调模型77
2.8 启动、监控和维护你的系统82
2.9 试试看84
前言
机器学习海啸
2006年，Geoffrey Hinton等人发表了一篇论文注，展示了如何训练能够以最先进的精度
（> 98%）识别手写数字的深度神经网络。他们将这种技术称为“深度学习”。深度神经网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组成。当时人们普遍认为，训练深度神经网络是不可能的注，并且大多数研究人员在20世纪90年代后期就放弃了这一想法。该论文重新激发了科学界的兴趣，不久之后，许多新论文证明了（在强大的计算能力和大量数据的帮助下）深度学习不仅是可能的，而且还具有令人难以置信的成就，这是其他机器学习（ML）技术无法企及的。这种热情很快扩展到了机器学习的许多其他领域。
大约十年后，机器学习征服了整个工业界：它是当今高科技产品诸多魔力的核心，可以为你的网络搜索结果排名，为智能手机的语音识别提供支持，可以推荐视频，并在围棋比赛中击败世界冠军。在不知不觉中，它将驾驶你的汽车。
你的项目中的机器学习
因此，你自然会对机器学习感到兴奋，并很乐意加入这场盛宴！
也许你想让你的自制机器人拥有自己的大脑，使它能够识别人脸，或者学会走路。
也许你的公司拥有大量数据（用户日志、财务数据、生产数据、机器传感器数据、热线统计信息、人力资源报告等），如果你知道在哪里看，很有可能会发现一些隐藏的宝石。借助机器学习，你可以完成以下和更多任务：
细分客户并为每个群体找到最佳的营销策略。
根据类似客户的购买记录，为每个客户推荐产品。
检测哪些交易可能是欺诈性的。
预测明年的收入。
无论出于何种原因，你都决定学习机器学习并将其实现在你的项目中。好主意！
目标与方法
本书假设你对机器学习一无所知，其目标是为你提供实现能够从数据中学习的程序所需的概念、工具和直觉。
我们将介绍大量技术，从最简单和最常用的技术（例如线性回归）到一些经常赢得比赛的深度学习技术。
本书不是实现每种算法的玩具版本，而是使用可用于生产环境的Python框架：
Scikit-Learn非常易于使用，它有效地实现了许多机器学习算法，因此成为学习机器学习的重要切入点。Scikit-Learn由David Cournapeau于2007年创建，现在由法国计算机科学和自动化研究所的一个研究小组领导。
TensorFlow是用于分布式数值计算的更复杂的库。通过将计算分布在数百个GPU（图形处理单元）服务器上，它可以有效地训练和运行大型神经网络。TensorFlow（TF）是由Google创建的，并支持许多大型机器学习应用程序。它于2015年11月开源，2.0版本于2019年11月发布。
Keras是高层深度学习API，使训练和运行神经网络变得非常简单。它可以在
2006年，Geoffrey Hinton等人发表了一篇论文注，展示了如何训练能够以最先进的精度
（> 98%）识别手写数字的深度神经网络。他们将这种技术称为“深度学习”。深度神经网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组成。当时人们普遍认为，训练深度神经网络是不可能的注，并且大多数研究人员在20世纪90年代后期就放弃了这一想法。该论文重新激发了科学界的兴趣，不久之后，许多新论文证明了（在强大的计算能力和大量数据的帮助下）深度学习不仅是可能的，而且还具有令人难以置信的成就，这是其他机器学习（ML）技术无法企及的。这种热情很快扩展到了机器学习的许多其他领域。
大约十年后，机器学习征服了整个工业界：它是当今高科技产品诸多魔力的核心，可以为你的网络搜索结果排名，为智能手机的语音识别提供支持，可以推荐视频，并在围棋比赛中击败世界冠军。在不知不觉中，它将驾驶你的汽车。
你的项目中的机器学习
因此，你自然会对机器学习感到兴奋，并很乐意加入这场盛宴！
也许你想让你的自制机器人拥有自己的大脑，使它能够识别人脸，或者学会走路。
也许你的公司拥有大量数据（用户日志、财务数据、生产数据、机器传感器数据、热线统计信息、人力资源报告等），如果你知道在哪里看，很有可能会发现一些隐藏的宝石。借助机器学习，你可以完成以下和更多任务：
细分客户并为每个群体找到最佳的营销策略。
根据类似客户的购买记录，为每个客户推荐产品。
检测哪些交易可能是欺诈性的。
预测明年的收入。
无论出于何种原因，你都决定学习机器学习并将其实现在你的项目中。好主意！
目标与方法
本书假设你对机器学习一无所知，其目标是为你提供实现能够从数据中学习的程序所需的概念、工具和直觉。
我们将介绍大量技术，从最简单和最常用的技术（例如线性回归）到一些经常赢得比赛的深度学习技术。
本书不是实现每种算法的玩具版本，而是使用可用于生产环境的Python框架：
Scikit-Learn非常易于使用，它有效地实现了许多机器学习算法，因此成为学习机器学习的重要切入点。Scikit-Learn由David Cournapeau于2007年创建，现在由法国计算机科学和自动化研究所的一个研究小组领导。
TensorFlow是用于分布式数值计算的更复杂的库。通过将计算分布在数百个GPU（图形处理单元）服务器上，它可以有效地训练和运行大型神经网络。TensorFlow（TF）是由Google创建的，并支持许多大型机器学习应用程序。它于2015年11月开源，2.0版本于2019年11月发布。
Keras是高层深度学习API，使训练和运行神经网络变得非常简单。它可以在
媒体评论
随着一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单有效的工具来实现“可以自动从数据中学习”的程序。这本畅销书的更新版通过具体的示例、非常少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具。
你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识，你只需要有一些编程经验。所有代码都可以在GitHub上获得。它已更新为TensorFlow 2和Scikit-Learn的新版本。
? 使用Scikit-Learn和pandas通过端到端项目来学习机器学习基础。
? 使用TensorFlow 2构建和训练多个神经网络架构来进行分类和回归。
? 覆盖对象检测、语义分割、注意力机制、语言模型、GAN等。
? 探索Keras API与TensorFlow 2的官方高级API。
? 使用TensorFlow的数据API、分布策略API、TF Transform和TF-
Serving来部署TensorFlow模型。
? 在Google Cloud AI Platform或移动设备上部署。
? 开发无监督学习技术，例如降维、聚类和异常检测。
? 通过强化学习（包括使用TF-Agents库）创建自主学习智能体。
“ 学习机器学习的绝佳资源。你会找到清晰的思路、直观的解释以及大量的实用技巧。”
——Fran?ois Chollet
Keras的发明者
Deep Learning with Python的作者
“ 本书很好地介绍使用神经网络解决问题的相关理论和实践，我向任何有兴趣应用机器学习来解决实际问题的人强烈推荐本书。”
——Pete Warden
TensorFlow移动端负责人
Aurélien Géron是机器学习方面的顾问。他曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年，他创办Ployconseil公司并任首席技术官。
你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识，你只需要有一些编程经验。所有代码都可以在GitHub上获得。它已更新为TensorFlow 2和Scikit-Learn的新版本。
? 使用Scikit-Learn和pandas通过端到端项目来学习机器学习基础。
? 使用TensorFlow 2构建和训练多个神经网络架构来进行分类和回归。
? 覆盖对象检测、语义分割、注意力机制、语言模型、GAN等。
? 探索Keras API与TensorFlow 2的官方高级API。
? 使用TensorFlow的数据API、分布策略API、TF Transform和TF-
Serving来部署TensorFlow模型。
? 在Google Cloud AI Platform或移动设备上部署。
? 开发无监督学习技术，例如降维、聚类和异常检测。
? 通过强化学习（包括使用TF-Agents库）创建自主学习智能体。
“ 学习机器学习的绝佳资源。你会找到清晰的思路、直观的解释以及大量的实用技巧。”
——Fran?ois Chollet
Keras的发明者
Deep Learning with Python的作者
“ 本书很好地介绍使用神经网络解决问题的相关理论和实践，我向任何有兴趣应用机器学习来解决实际问题的人强烈推荐本书。”
——Pete Warden
TensorFlow移动端负责人
Aurélien Géron是机器学习方面的顾问。他曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年，他创办Ployconseil公司并任首席技术官。
